预测性维护依赖于多种技术，包括物联网 (IoT)、预测分析和人工智能 (AI)。互联传感器从机械和设备等资产收集数据。这些信息是在边缘或云端的、由 AI 支持企业资产管理 (EAM) 或计算机化维护管理系统 (CMMS) 中收集的。AI 和机器学习用于实时分析数据，构建设备当前状况的描述，如果发现任何潜在缺陷，则触发警报并将其发送给维护团队。

除了提供缺陷警告外，得益于机器学习算法的进步，预测性维护解决方案还能预测设备的未来状况。这些预测可用于提高维护相关工作流程的效率，例如实时工单调度、劳动力和零件供应链。此外，收集的数据越多，产生的洞察就越多，预测质量也就越高。这让企业获得信心，能确信设备正以最佳状态运行。

预测性维护策略的优势包括，有助于预见设备故障，优化时间和资源以降低维护和运营成本，以及提高设备的性能和可靠性。据德勤 2022 年报告称，预测性维护可使设施停机时间减少 5-15%，并提高劳动生产率 5-20%。¹ 预测性维护还可以最大限度地减少能源使用和浪费，对运营可持续性产生有益影响。

优化资产性能和正常运行时间，有助于降低成本。对潜在故障的预警，有助于减少故障、计划内维护或计划外停机。连续状态可视性的提升，有助于提高设备的全生命周期可靠性和耐用性。AI 的使用可以更准确地预测未来的运营状况。这一优势至关重要，因为当今世界中价格不断上涨，不可预测事件频发（例如流行病和与气候相关的自然灾害），尤其需要提升备件库存和劳动力成本的可预测性，并减少运营对环境的影响。

通过减少低效的维护操作，以智能工作流程和自动化加速问题响应，以及为整个价值链的技术人员、数据科学家和员工提供决策所需的优质数据，最终可以提高生产力 。最终结果将是改善平均故障间隔时间 (MTBF) 和平均修复时间 (MTTR) 等指标，为员工提供更安全的工作条件，并提高收入和盈利能力。

预测性维护存在一些障碍，而且成本可能很高，至少在初期是这样。

• 系统基础设施： 与策略复杂性相关的启动成本很高。通常涉及升级和集成过时的技术和监控系统，以及投资于维护和数据管理工具，以及数据和系统基础架构。
• 员工培训： 培训员工使用新工具和流程并正确解读数据，可能既昂贵又耗时。
• 数据要求： 过去是未来表现的预测指标。为了使预测性维护有效，获得大量时间序列历史数据和故障（或代理）数据至关重要。同样重要的是，要能够在实体运营作条件下，研究数据关联和类似设备类型的类比，这还有助于提高分析的预测性。

评估单个资产的关键性和故障成本，也需要时间和金钱，但这对于确定预测性维护是否合适至关重要——具有廉价易得部件的低成本资产，可能更适合其他维护策略。开展预测性维护计划实属不易，但若策略得到良好执行，可以获得显著的竞争和财务优势。

预测性维护技术的发明，主要归功于 CH Waddington，第二次世界大战期间，他注意到计划内的预防性维护，似乎会导致轰炸机出现意外故障。 ²这促成了基于状态的维护的兴起和发展，但由于大多数业务系统历来都是孤立的，因此预测性维护的采用受到限制。

物联网传感器、大数据收集以及存储技术，已经取得长足进步，并将继续快速发展。数据的增长与 AI/ML 可及性的提升，有利于预测维护模型的优化和采用。新冠疫情还加速了数字化转型工作，创造了更加一体化的业务环境，提升了人们对基于情报的实时洞察的需求。最后，意外停机造成的成本飙升（专家估计约占《财富》全球 500 强公司营业额的 11%³ ），也推动了预测性维护在市场中的采用。

以下列举部分的技术，能促进预测性维护的持续演进和价值提升：

• 自动化机器人检查可用于石油和天然气等行业，使得偏远或危险地点的设备监控变得更加高效，且具有成本效益。机器人充当流动传感器，监控多种资产，并将数据输入计算机化维护管理系统。
• 沉浸式技术，如增强现实 (AR) 和虚拟现实 (VR)，正在得到开发，有助于简化检查。AR 可以收集数据，这两种技术都有助于视觉检查和早期故障检测。
• 数字孪生技术有助于增强预测性维护，因其可以创建实物资产的虚拟代表，生成传感器数据，并在资产的整个生命周期中模拟运营故障场景和解决方案，而不会对资产造成风险。
• 由物联网支持的预测性维护解决方案，将作为 EAM/CMMS 解决方案的一部分提供，并与其他企业应用程序集成。
• 预测性维护即服务，将提升预测性维护的可及性和可负担性。由合作伙伴提供，比本地部署造成的中断更少，需要的投资和培训也更少，并能更快实现价值。还可以根据不同的环境和设备进行定制。